💻 computer science

What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

Cette revue rapide de 40 articles sélectionnés identifie huit compétences essentielles pour les chercheurs maîtrisant les LLM, soulignant que l'utilisation efficace et responsable de l'IA dans la science repose davantage sur l'expertise métier, la supervision critique et la responsabilité éthique que sur les seules connaissances techniques.

Auteurs originaux : Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Publié 2026-07-20

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde de la science comme une immense et trépidante bibliothèque où les chercheurs sont les bibliothécaires. Depuis des décennies, ces bibliothécaires suivent un code de conduite strict : ils doivent trouver des livres, les lire attentivement, vérifier les faits et rédiger leurs propres rapports basés sur ce qu'ils ont appris. Mais récemment, un nouvel assistant robotique, incroyablement rapide et bavard, est arrivé dans la bibliothèque. Ce robot, alimenté par ce qu'on appelle un « Grand Modèle de Langage » (ou LLM), peut lire des millions de livres en une seconde, les résumer, rédiger des brouillons et même aider à résoudre des énigmes complexes. C'est comme avoir un stagiaire super intelligent qui ne dort jamais.

Cependant, il y a un piège. Ce robot est un peu un farceur. Parfois, il dit la vérité, mais d'autres fois, il invente des faits avec assurance (un bug que les chercheurs appellent « hallucination ») ou copie des idées sans citer ses sources. À cause de cela, la grande question n'est pas seulement « Le robot peut-il nous aider ? » mais « De quelles compétences les bibliothécaires humains ont-ils besoin pour tenir le robot en respect ? » Si les bibliothécaires ne connaissent pas assez bien les livres qu'ils organisent, ils pourraient laisser le robot écrire tout le rapport, menant ainsi à une bibliothèque remplie de mensonges. Cet article explore précisément les compétences dont les chercheurs ont besoin pour utiliser ces robots d'IA de manière responsable sans perdre leur propre raison ou la vérité.

La Grande Chasse aux Détectives de l'IA

Une équipe de chercheurs a décidé de jouer au détective pour répondre à une question brûlante : Que faut-il réellement pour être un chercheur capable d'utiliser les outils d'IA de manière efficace, critique et responsable ? Ils ne se sont pas contentés de deviner ; ils ont mené une mission de revue rapide, parcourant 194 articles publiés entre 2022 et 2025. À partir de cette montagne de paperasse, ils ont soigneusement sélectionné 40 articles présentant des exemples concrets de personnes utilisant l'IA dans leurs recherches. Ils ont ensuite utilisé un mélange de cerveaux humains et d'un second outil d'IA pour passer ces articles au crible, à la recherche des « super-pouvoirs » ou compétences spécifiques que les chercheurs accomplis semblaient posséder.

Ce qu'ils ont trouvé est une liste de huit compétences essentielles. Considérez-les non pas comme des compétences de codage informatique, mais comme les muscles mentaux qu'un chercheur doit exercer.

1. L'Œil de l'Expert (Expertise de domaine et supervision)
C'était la compétence la plus courante, apparaissant dans 123 instances à travers les études. Imaginez le robot d'IA comme un guide touristique très rapide et très sûr de lui, qui sait un peu de tout mais n'est expert en rien. Si vous ne connaissez pas le territoire vous-même, vous pourriez croire le guide lorsqu'il pointe une fausse cascade en disant : « C'est la vraie ! ». L'article suggère que les chercheurs doivent être les véritables experts dans leur domaine. Ils doivent bien connaître le sujet pour repérer quand l'IA ment, invente des sources ou donne une réponse superficielle. Le robot peut faire le gros du travail, mais l'humain doit être celui qui dit : « Attendez, cela ne semble pas correct », et vérifier les faits.

2. L'Interrupteur Intelligent (Métacognition et prise de décision)
Trouvée dans 55 instances, cette compétence consiste à savoir quand utiliser le robot et quand l'éteindre. C'est comme décider si l'on va utiliser une perceuse électrique pour accrocher un tableau ou simplement un marteau. Les chercheurs ont constaté que les meilleurs scientifiques ne laissent pas l'IA prendre tout le contrôle. Ils décident quelles parties de la recherche sont sûres pour l'IA (comme organiser des notes) et quelles parties doivent rester humaines (comme tirer la conclusion finale). Il s'agit d'être le capitaine du navire, et non un simple passager.

3. La Boussole Morale (Éthique, vie privée et intégrité)
Avec 53 mentions, cette compétence concerne le fait de jouer franc jeu. Utiliser l'IA ne consiste pas seulement à obtenir des réponses ; il s'agit de le faire sans voler, sans mentir et sans divulguer de secrets. Les chercheurs doivent savoir comment protéger les données privées, comment admettre quand ils ont utilisé un robot pour rédiger une partie de leur article, et comment s'assurer qu'ils ne plagient pas accidentellement. C'est la différence entre utiliser une calculatrice pour faire des maths et tricher à un examen en demandant à quelqu'un d'autre de faire le travail pour vous.

4. L'Art de Questionner (Ingénierie de prompt / Prompt Engineering)
Cela est apparu 38 fois. Si vous posez une question vague au robot comme « Parle-moi de la science », vous obtiendrez une réponse vague et ennuyeuse. Mais si vous demandez : « Explique la théorie de la relativité à un enfant de 12 ans en utilisant une analogie avec une pizza », vous obtenez quelque chose d'incroyable. Cette compétence consiste à apprendre à parler à l'IA. C'est comme être un réalisateur donnant des instructions à un acteur ; plus votre script (le prompt) est bon, meilleure sera la performance. Les chercheurs ont découvert qu'affiner ces questions encore et encore est la clé pour obtenir des résultats utiles.

5. La Trace Écrite (Reproductibilité et signalement)
Trouvée dans 29 instances, il s'agit de tenir un journal. Si vous utilisez un outil d'IA pour vous aider à trouver des informations, vous devez noter exactement ce que vous lui avez demandé, quelle version de l'outil vous avez utilisée et comment vous avez vérifié son travail. Pourquoi ? Pour que si quelqu'un d'autre veut répéter votre expérience, il puisse voir exactement comment vous avez procédé. C'est comme laisser une piste de miettes de pain pour que personne ne se perde dans la forêt de votre recherche.

6. Le Bâtisseur de Plans (Conception méthodologique et expérimentale)
Cette compétence, mentionnée 20 fois, consiste à planifier l'ensemble du projet avant même d'allumer l'IA. C'est comme un architecte dessinant un plan de bâtiment avant de poser la moindre brique. Les chercheurs doivent concevoir leurs études de manière à ce que l'IA s'y intègre correctement sans briser la structure. Ils doivent définir leurs objectifs et leurs limites clairement afin que le robot ne s'égare pas pour construire une maison sur un marécage.

7. Le Traducteur Technique (Littératie de l'IA et connaissances techniques)
Curieusement, cela a été mentionné moins souvent (seulement 16 fois) et a été signalé comme un risque en cas d'absence. Cela ne signifie pas que les chercheurs doivent être des ingénieurs logiciels capables de construire l'IA de toutes pièces. Au lieu de cela, ils doivent comprendre comment le robot réfléchit, quelles sont ses limites et quel genre d'erreurs il a tendance à commettre. C'est comme savoir qu'une voiture a besoin d'essence et de freins, même si vous ne savez pas construire le moteur. Sans cette compréhension de base, vous pourriez faire confiance à la voiture pour conduire seule alors qu'elle est en panne.

8. Le Détective de Données (Analyse et interprétation des données)
Trouvée dans seulement 7 instances, il s'agit d'utiliser l'IA pour aider à traiter les chiffres ou trouver des modèles dans les données. Mais l'article est clair : l'humain doit toujours être celui qui interprète ce que ces chiffres signifient. L'IA peut trouver un modèle, mais l'humain doit décider si ce modèle est important ou s'il s'agit d'une simple coïncidence.

La Vue d'Ensemble

Les auteurs suggèrent que l'utilisation de l'IA dans la recherche ne consiste pas seulement à apprendre un nouvel outil ; il s'agit de devenir un penseur meilleur et plus critique. Le point le plus important est que l'humain est toujours le patron. L'IA est un assistant puissant, mais elle ne peut pas remplacer le besoin de jugement humain, d'expertise et de responsabilité. Si un chercheur n'a pas « l'Œil de l'Expert » ou la « Boussole Morale », l'IA pourrait l'égarer.

L'article conclut que les écoles et les programmes de formation doivent enseigner ces huit compétences ensemble. Il ne suffit pas de montrer aux étudiants comment taper un prompt ; ils doivent apprendre à questionner les réponses, à rester éthiques et à maintenir l'humain dans la boucle. Dans un monde où les robots peuvent écrire des essais et analyser des données, la compétence la plus précieuse qu'un chercheur puisse posséder est la sagesse de savoir quand faire confiance au robot et quand faire confiance à son propre cerveau.

Résumé Technique : Compétences pour les Chercheurs Littérés en LLM

Énoncé du Problème
L'intégration rapide des modèles de langage étendus (LLM) dans la recherche scientifique a créé un fossé critique dans la compréhension des compétences spécifiques requises par les chercheurs et les doctorants pour utiliser ces outils de manière efficace, critique et responsable. Bien que la littérature existante traite de la littératie en IA, de l'intégrité de la recherche et de l'ingénierie de prompts de manière isolée, il existe un manque de preuves consolidées concernant l'intersection de ces domaines au sein du cycle de vie de la recherche. Plus précisément, il reste difficile de savoir comment les compétences de recherche traditionnelles (ex. : rigueur méthodologique, conduite éthique) s'articulent avec les nouvelles compétences spécifiques à l'IA pour garantir la production de connaissances dignes de confiance dans des environnements assistés par l'IA.

Méthodologie
Les auteurs ont mené une revue rapide de la littérature publiée entre 2022 et 2025 afin d'identifier et de consolider les compétences requises. L'étude a suivi un processus en quatre phases :

Identification des Études : 194 articles ont été récupérés via Elicit (en utilisant une recherche sémantique assistée par l'IA) et Google Scholar (10 premières pages de résultats). Les auteurs ont privilégié la récupération rapide plutôt qu'une couverture exhaustive, optant pour ces sources au détriment de bases de données plus curatées comme Scopus ou IEEE Xplore.
Sélection des Études : Deux groupes de chercheurs indépendants ont filtré les titres et les résumés, suivis d'une analyse du texte intégral, sur la base de cinq critères d'inclusion (ex. : documentation de pratiques de recherche scientifique médiées par l'IA générative, publication entre 2022 et 2025). Ce processus a permis de retenir 40 articles pour l'extraction finale des données. La fiabilité inter-juges a été évaluée par le coefficient Gwet's AC1 (0,76–0,83), indiquant un accord substantiel à presque parfait.
Extraction et Analyse des Données : Les auteurs ont employé une approche de double analyse thématique :
- Analyse Manuelle : 40 articles ont été analysés pour extraire 147 occurrences de compétences, qui ont été codées de manière itérative en 26 codes et consolidées en 7 thèmes.
- Analyse Assistée par l'IA : Un LLM a analysé indépendamment 17 articles (sélectionnés via un processus de validation parallèle) pour extraire 199 occurrences et générer 9 thèmes.
- Synthèse : Les chercheurs ont fusionné les thèmes manuels et ceux générés par l'IA sur la base de l'équivalence conceptuelle, aboutissant à 8 compétences consolidées.
Menaces à la Validité : Les auteurs reconnaissent des limites, notamment l'exclusion de bases de données évaluées par les pairs (réduisant potentiellement la couverture), la nature qualitative du codage, et le fait que les décomptes de fréquence ( $\Sigma n$ ) représentent la saillance relative plutôt qu'une prévalence précise en raison de la non-déduplication du regroupement manuel et de l'IA.

Principales Contributions
Le document apporte trois contributions primaires :

Synthèse des Preuves Empiriques : Il consolide la manière dont les LLM sont actuellement utilisés à travers le cycle de vie de la recherche, de l'exploration de la littérature à l'analyse des données.
Cadre de Compétences : Il identifie et définit huit compétences spécifiques requises pour la recherche assistée par l'IA, allant au-delà de l'instruction technique pour inclure des dimensions épistémiques, éthiques et méthodologiques.
Implications pour l'Éducation et la Pratique : Il fournit une base pour la conception de programmes de doctorat et d'initiatives de littératie en IA qui préparent les chercheurs à une intégration responsable de l'IA.

Résultats : Huit Compétences Identifiées
L'analyse a identifié huit compétences, classées par leur prévalence dans la littérature ( $\Sigma n$ ) :

Expertise de Domaine et Supervision des Sorties de l'IA ( $\Sigma n = 123$ ) : La compétence la plus prévalente. Elle implique la capacité d'évaluer de manière critique le contenu généré par l'IA, de vérifier les sources, de détecter les hallucinations et de conserver la responsabilité ultime des conclusions de la recherche. La littérature souligne que la connaissance du domaine est un prérequis pour une évaluation critique significative.
Métacognition et Prise de Décision concernant l'Usage de l'IA ( $\Sigma n = 55$ ) : La capacité de déterminer quand, où et comment déployer l'IA. Cela inclut le jugement de l'adéquation des tâches, le maintien du contrôle par l'humain dans la boucle (human-in-the-loop) et la décision de savoir quelles tâches nécessitent une expertise humaine directe par rapport à une augmentation par l'IA.
Éthique, Confidentialité et Intégrité Académique ( $\Sigma n = 53$ ) : Englobe la gestion responsable des données, la transparence concernant l'implication de l'IA, l'attribution appropriée, la prévention du plagiat et la sensibilisation aux implications juridiques et sociétales tout au long du processus de recherche.
Ingénierie de Prompts pour la Recherche ( $\Sigma n = 38$ ) : La compétence consistant à formuler, affiner et contextualiser les instructions pour guider les systèmes d'IA vers des résultats fiables. Cela inclut le raffinement itératif ainsi que la spécification du contexte et des objectifs.
Reproductibilité et Signalement de l'Usage de l'IA ( $\Sigma n = 29$ ) : La pratique consistant à documenter les prompts, les versions de modèles, les configurations et les procédures de validation pour assurer la transparence et permettre la réplication des étapes assistées par l'IA.
Conception Méthodologique et Expérimentale avec l'IA ( $\Sigma n = 20$ ) : La capacité d'intégrer l'IA dans la planification de la recherche, en définissant des contraintes, des flux de travail et des procédures de validation qui tiennent compte des forces et des limites de l'IA.
Littératie en IA et Connaissances Techniques ( $\Sigma n = 16$ ) : Comprendre les capacités, les limites, les risques et les caractéristiques techniques de l'IA. Le document note que cela est explicitement identifié comme un facteur de risque en cas d'absence, mais est moins prévalent que la supervision spécifique au domaine.
Analyse et Interprétation des Données avec l'IA ( $\Sigma n = 7$ ) : Utiliser l'IA pour soutenir l'analyse quantitative ou qualitative (ex. : génération de code, reconnaissance de motifs) tout en préservant la responsabilité humaine pour l'interprétation des résultats et la validation de la qualité analytique.

Signification et Revendications
Les auteurs affirment que préparer les chercheurs aux LLM nécessite plus qu'une formation technique ; cela exige un ensemble intégré de compétences épistémiques, éthiques et méthodologiques centrées sur la responsabilité humaine.

Changement Épistémique : Les conclusions suggèrent que les LLM ne modifient pas les fondements épistémiques de la recherche. Au lieu de transférer la responsabilité à l'IA, les chercheurs doivent exercer leur jugement quant à quand utiliser l'IA, comment valider les sorties et sous quelles conditions incorporer le contenu généré.
Redistribution de l'Expertise : Le défi n'est pas d'obtenir des résultats, mais de gouverner et d'intégrer ces derniers. La prééminence de l'expertise de domaine et de la supervision indique que la rigueur de recherche traditionnelle demeure le principal garde-fou contre les erreurs de l'IA (ex. : hallucinations, biais).
Implications Éducatives : Le document soutient que l'enseignement de troisième cycle doit évoluer pour inclure explicitement ces compétences. La formation doit dépasser l'usage des outils pour se concentrer sur l'évaluation critique, la prise de décision éthique et le maintien de l'intégrité scientifique dans les flux de travail médiés par l'IA.

L'étude conclut en appelant à des recherches futures pour étudier comment ces compétences se manifestent dans différentes disciplines et comment elles peuvent être évaluées et soutenues par des directives institutionnelles.

Articles similaires